AI Benchy リーダーボード

Name: AI BENCHY モデルベンチマーク結果
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

ベンチマークは AI BENCHY テストスイートから次の日時に生成: 2026-09-03 評価済みモデル数: 311

311/311

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#105#105	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 9.4 試行ごとの合格率 74.2% 不安定なテスト 4 入力トークン 108,931 出力トークン 112,801 推論トークン 343,227 応答時間（平均） 120.59s 応答時間（合計） 2653.05s 応答時間（最大） 532.28s 不正解: 3 指示に従っていない: 2 回答なし: 2 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 5.9 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 6.1 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#136#136	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 56.1% 不安定なテスト 2 入力トークン 134,582 出力トークン 8,955 推論トークン 15,420 応答時間（平均） 10.33s 応答時間（合計） 227.37s 応答時間（最大） 33.10s 余分な書式: 4 不正解: 4 指示に従っていない: 3 反AIトリック : 6.5 コーディング : 3.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#56#56	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 9.4 試行ごとの合格率 72.7% 不安定なテスト 2 入力トークン 113,279 出力トークン 121,045 推論トークン 374,496 応答時間（平均） 118.97s 応答時間（合計） 2617.41s 応答時間（最大） 534.21s 不正解: 4 回答なし: 2 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 7.8 複合 : 8.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.2 汎用知能 : 6.1 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#52#52	Claude Fable 5.1medium	8.3	Anthropic	$2.909	11.67s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 81.8% 不安定なテスト 6 入力トークン 135,112 出力トークン 7,594 推論トークン 23,558 応答時間（平均） 11.67s 応答時間（合計） 256.73s 応答時間（最大） 36.59s 不正解: 3 回答なし: 2 余分な書式: 1 指示に従っていない: 1 反AIトリック : 8.2 コーディング : 7.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 10.0 指示追従 : 7.3 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 2.8
#82#82	Claude Opus 4.6medium	7.7	Anthropic	$2.961	32.23s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 3 入力トークン 108,573 出力トークン 69,994 推論トークン 26,728 応答時間（平均） 32.23s 応答時間（合計） 515.65s 応答時間（最大） 151.51s 余分な書式: 4 不正解: 4 指示に従っていない: 1 反AIトリック : 6.4 コーディング : 5.7 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#39#39	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 78.8% 不安定なテスト 1 入力トークン 89,640 出力トークン 33,092 推論トークン 9,054 応答時間（平均） 15.01s 応答時間（合計） 330.15s 応答時間（最大） 80.80s 回答なし: 3 無効なツール呼び出し: 1 不正解: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#15#15	Claude Opus 5high	9.2	Anthropic	$3.070	22.51s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 81.8% 不安定なテスト 0 入力トークン 135,956 出力トークン 64,624 推論トークン 30,959 応答時間（平均） 22.51s 応答時間（合計） 495.12s 応答時間（最大） 159.01s 不正解: 2 余分な書式: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#20#20	Claude Fable 5.1high	9.0	Anthropic	$3.364	13.59s
モデルカードを見る合計テスト数 22 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 89.4% 不安定なテスト 1 入力トークン 135,958 出力トークン 7,930 推論トークン 32,141 応答時間（平均） 13.59s 応答時間（合計） 298.90s 応答時間（最大） 40.17s 不正解: 3 反AIトリック : 10.0 コーディング : 8.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#66#66	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 9.0 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 34,960 出力トークン 2,887 推論トークン 221,241 応答時間（平均） 142.84s 応答時間（合計） 2714.02s 応答時間（最大） 766.58s API エラー: 2 回答なし: 2 余分な書式: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.5 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 3.0
#22#22	GPT-5.5medium	9.0	OpenAI	$4.163	38.97s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 87.9% 不安定なテスト 3 入力トークン 80,668 出力トークン 5,617 推論トークン 119,699 応答時間（平均） 38.97s 応答時間（合計） 857.43s 応答時間（最大） 332.10s 不正解: 4 反AIトリック : 10.0 コーディング : 8.8 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 2.8
#273#273	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 48.5% 不安定なテスト 5 入力トークン 721,952 出力トークン 294,668 推論トークン 305,374 応答時間（平均） 9.69s 応答時間（合計） 155.07s 応答時間（最大） 35.28s 不正解: 4 API エラー: 2 余分な書式: 2 指示に従っていない: 2 反AIトリック : 6.9 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.8 指示追従 : 9.8 パズル解決 : 6.7 ツール呼び出し : 3.0 雑学 : 0.0

←

1 12 13

ベンチマーク全体の推移

現在のモデルがスコア、コスト、速度、出力の長さ、カテゴリ別性能をどう両立しているか確認できます。

チャート →

知能とコストのパレートフロンティア

主要企業の最高スコアの推移

知能と応答速度のパレートフロンティア

スコアと出力トークンのパレートフロンティア

モデル全体で見たカテゴリ難易度

クイック比較

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium